Document généré le 12 mai 2020 13:50

Documentation et bibliothèques

Technologies d’exploitation du big data dans les organisations

et transformations organisationnelles : une étude de cas au
sein du Service de santé des armées françaises
Marc Tanti

Les données et les sciences de l’information Résumé de l'article

Volume 63, numéro 4, octobre–décembre 2017 L’exploitation des données sanitaires du big data via des technologies de
collecte, de visualisation et de communication a permis au Service de santé des
URI : https://id.erudit.org/iderudit/1042310ar armées françaises de créer une valeur stratégique. Par exemple, après le
DOI : https://doi.org/10.7202/1042310ar tsunami de 2004 en Asie, cette exploitation a permis d’anticiper les épidémies
pour les forces envoyées en soutien humanitaire. Plus récemment, dans le
contexte de l’épidémie d’Ebola en Afrique, des vies humaines ont pu être
Aller au sommaire du numéro
préservées. L’appropriation de tels outils a également entraîné des
bouleversements dans l’organisation et la culture organisationnelle,
notamment un décloisonnement spatio-temporel des activités et un gain de
Éditeur(s) coordination.
Association pour l'avancement des sciences et des techniques de la
documentation (ASTED)

ISSN
0315-2340 (imprimé)
2291-8949 (numérique)

Découvrir la revue

Citer cet article

Tanti, M. (2017). Technologies d’exploitation du big data dans les organisations
et transformations organisationnelles : une étude de cas au sein du Service de
santé des armées françaises. Documentation et bibliothèques, 63 (4), 46–58.
https://doi.org/10.7202/1042310ar

Tous droits réservés © Association pour l'avancement des sciences et des Ce document est protégé par la loi sur le droit d’auteur. L’utilisation des
techniques de la documentation (ASTED), 2017 services d’Érudit (y compris la reproduction) est assujettie à sa politique
d’utilisation que vous pouvez consulter en ligne.
https://apropos.erudit.org/fr/usagers/politique-dutilisation/

Cet article est diffusé et préservé par Érudit.

Érudit est un consortium interuniversitaire sans but lucratif composé de
l’Université de Montréal, l’Université Laval et l’Université du Québec à
Montréal. Il a pour mission la promotion et la valorisation de la recherche.
https://www.erudit.org/fr/
 LES DONNÉES ET LES SCIENCES DE L’INFORMATION
TECHNOLOGIES D’EXPLOITATION
DU BIG DATA DANS LES ORGANISATIONS ET
TRANSFORMATIONS ORGANISATIONNELLES :
UNE ÉTUDE DE CAS AU SEIN DU SERVICE
DE SANTÉ DES ARMÉES FRANÇAISES
Adjoint au chef de service de veille sanitaire du Centre d’épidémiologie et de santé publique des armées (CESPA)
Chef de projets de recherches en sciences de l’information CESPA – UMR 912-SESSTIM-iNSERM-IRD-AMU
RÉSUMÉ | ABSTRACT
L’exploitation des données sanitaires du big data via des tech-
nologies de collecte, de visualisation et de communication a
permis au Service de santé des armées françaises de créer
une valeur stratégique. Par exemple, après le tsunami de
2004 en Asie, cette exploitation a permis d’anticiper les épi-
démies pour les forces envoyées en soutien humanitaire. Plus
récemment, dans le contexte de l’épidémie d’Ebola en
Afrique, des vies humaines ont pu être préservées. L’appro-
priation de tels outils a également entraîné des bouleverse-
ments dans l’organisation et la culture organisationnelle,
notamment un décloisonnement spatio-temporel des activi-
tés et un gain de coordination.
Problème de recherche
Ces dernières années, le nombre de données circulant sur
Internet a littéralement explosé. Ce phénomène de données
massives, ou big data, amène les organisations à se position-
ner sur l’exploitation de tels volumes d’informations et
notamment à mettre en place des processus organisationnels
pour les aider à maîtriser cette pléthore d’informations à des
fins d’intelligence pour la décision et l’action (Cohen 2013).
Ainsi, face à l’ampleur de ce phénomène, lié notamment à
la prolifération des données des réseaux sociaux, télé-
phones intelligents, applications mobiles, etc., leur crois-
sance exponentielle et les problèmes de repérage, d’accès,
de gestion et de traitement de ces données, un certain
nombre d’organisations, entre autres des entreprises du
domaine privé, se sont engagées dans des travaux d’exploi-
tation de ces données massives (Karoui 2014).
46 OCTOBRE – DÉCEMBRE 2017 | DOCUMENTATION ET BIBLIOTHÈQUES
Marc Tanti, Ph. D.
Chercheur associé à l’IRSIC-EA-4262
mtanti@gmx.fr
Operating Technologies of Big Data in Organisations and
Organisational Change : A Case Study of the Service de
santé des armées française
The exploitation of health-related data of big data using collec-
tion, visualisation and communication technologies has enabled
the Service de santé des armées française to produce strategic
value. For example, following the 2004 tsunami in Asia, this
exploitation enabled the humanitarian resources to better antici-
pate epidemics. More recently, during the Ebola epidemic in Africa,
human lives were saved. The mastery of such tools also brought
about important changes within the organisation and its culture,
namely the spatiotemporal decompartmentalisation of activities
and improved coordination.
Par exemple, dans le domaine de la finance, notamment des
banques et des assurances, les projets d’exploitations des
données du big data permettent d’aider aux prises de déci-
sions concernant les données à conserver dans le cadre régle-
mentaire (Karoui 2014). Dans le secteur du trading, des
projets d’exploitation des données massives ont été conçus
pour identifier les mouvements de fonds suspects. C’est le cas
par exemple pour l’entreprise BourseDirect (Karoui 2014).
L’exploitation de ces données peut permettre également de
créer de nouveaux services pour les clients. Dans ce cadre, Le
Crédit Mutuel Arkéa a été primé en 2013 pour l’exploitation
de ses données d’historiques d’opérations clients pour la
création de nouveaux services aux usagers (Karoui 2014).
Le domaine médical est également un domaine où les don-
nées sont devenues pléthoriques sur Internet (Raghupathi
2014). Le secteur sanitaire est particulièrement touché, sur-
tout en raison de l’émergence croissante des données
épidémiques et des données issues du séquençage des Web (images, vidéos, sons, textes), des transactions de com-
génomes. Dans ce secteur, les données accumulées sont merce électronique, des échanges sur les réseaux sociaux,
chiffrées, analysées statistiquement (Alles 2014), mais elles des données transmises par les objets connectés (étiquettes
sont aussi non chiffrées, non quantifiables, non structurées, électroniques, compteurs intelligents, téléphones intelli-
de type socioculturel, par exemple. gents…), des données géolocalisées.
Les organisations de santé publique portent une attention Le big data correspond à une évolution de la business intel-
particulière à ces différentes formes de données, entre ligence qui repose sur des entrepôts de données limités en
autres pour orienter les politiques décisionnelles. Ces orga- taille (quelques téraoctets) et gérant difficilement des don-
nisations recherchent aujourd’hui des méthodes et des stra- nées non structurées et des analyses en temps réel. L’avène-
tégies afin de les « faire parler » (Hamel 2013), notamment ment du big data ouvre une nouvelle ère technologique qui
pour apporter une valeur ajoutée en matière de perfor- offre des architectures et des infrastructures évoluées qui
mance organisationnelle, de prise de décision, de stratégies permettent en particulier des analyses sophistiquées, pre-
(Brasseur 2013 ; Vayre 2014) ou d’amélioration de l’action nant en compte ces nouvelles données intégrées à l’écosys-
publique (Hoppe 2015). tème de l’entreprise (Chen 2014).
Le présent article a pour objectif de présenter le dispositif de Le big data peut se définir par trois composantes (Delort 2015) :
veille sanitaire développé par l’organisation militaire fran- • Son volume : on le définit généralement à partir de
çaise, considéré comme un dispositif infocommunicationnel. cinq téraoctets de données à traiter, ce que les logiciels
Selon Couzinet (2011), un dispositif infocommunicationnel ou les bases de données classiques ne peuvent faire ;
est un lieu où humains, objets matériels et liens s’organisent
• Sa variété : les données acquises sont brutes ou struc-
pour mettre en œuvre des interactions. Un tel dispositif,
turées, au format texte ou image, avec des proprié-
dédié à la « mise en commun d’informations et au partage
taires et des droits d’utilisation aussi différents que
des savoirs », se compose « d’acteurs, de techniques et d’ob-
leurs sources ;
jets matériels en interaction permanente et dans un contexte
défini, tous liés entre eux » (Couzinet 2011). • Sa vélocité : il faut être capable d’intégrer en temps réel
les dernières données disponibles et les lier aux autres
Dans le dispositif étudié, des mégadonnées de l’Internet jeux de données sans recommencer une analyse com-
sanitaire sont exploitées dans le domaine de la santé plète à chaque cycle.
publique militaire (Boutin 2004). Dans ce cadre, notre article
présente et interroge les technologies mises en œuvre pour Un quatrième « V » pour véracité peut être rajouté à cette
collecter, analyser et communiquer ces données massives. définition pour évoquer la nécessité de vérifier la crédibilité
des sources et la qualité des contenus afin de permettre une
À partir de cette recherche-action, les enjeux organisation- exploitation des données (Marr 2015).
nels soulevés par l’exploitation de tels volumes d’informa-
tions sont également contestés, notamment les Ces différentes composantes du big data nécessitent donc
transformations organisationnelles induites (Parks 2014 ; de nouvelles formes d’outils et de traitement de l’informa-
Béranger 2016). L’article a également pour objectif de réflé- tion (Pouyllau 2013).
chir aux apports en matière de construction des connais-
sances et de création de valeurs. Technologies
Selon Cointot, le big data recouvre l’ensemble des techno-
logies, métiers, approches conceptuelles permettant
Cadre théorique d’exploiter l’ensemble des données
Big data L’avènement du big data ouvre générées par les hommes de façon
une nouvelle ère technologique consciente ou non et par tous les objets
Définition qui offre des architectures et des
connectés ou non (Cointot 2014).
Selon Babinet (2015), le big data (ou infrastructures évoluées qui Les technologies qui permettent l’ex-
mégadonnées ou données massives) ploitation de ces données au volume
désigne l’ensemble des données numé-
permettent en particulier des
important présentent quelques points
riques produites par l’utilisation des analyses sophistiquées, prenant particuliers, notamment pour per-
nouvelles technologies à des fins per- en compte ces nouvelles données mettre la collecte et la « fouille » dans
sonnelles ou professionnelles. Cela intégrées à l’écosystème de ces données de grand volume. Ainsi,
recoupe les données d’entreprise l’entreprise. pour arriver à retrouver une épingle
(courriels, documents, bases de don- dans une meule de foin multidimen-
nées, historiques de processeurs métiers...) aussi bien que sionnelle, sans savoir à quoi ressemble l’épingle ni si la
des données issues de capteurs, des contenus publiés sur le meule de foin en contient une, des outils statistiques, de

DOCUMENTATION ET BIBLIOTHÈQUES | OCTOBRE – DÉCEMBRE 2017 47

classification et de visualisation des données sont néces-
saires (Weinstein 2013).
Dans ce cadre, un certain nombre de solutions de visuali-
sation de données du big data et plus largement de datas-
capes du Web (paysages de données) sont aujourd’hui
utilisables, notamment par des non-experts. Les topologies
du Web peuvent ainsi être générées par des logiciels de
calculs de graphes à partir de moissonnage de données et
de liens utilisables dans l’exploitation des données massives
(Boullier 2016). C’est par exemple le cas de Gephi1, dont
nous reparlerons plus tard dans cet article.
Des capacités matérielles conséquentes pour le stockage
comme pour les ressources processeurs sont également
indispensables au traitement de ces données massives.
Dans ce contexte, Le « cloud », le nuage, symbolise la multi-
tude d’unités informatiques et accessibles depuis l’Internet
pour le traitement et le stockage des données du big data
(Delort 2015).
Enfin, dans les technologies, les Environnements Numé-
riques de Travail (ENT) ont aussi leur importance. Ainsi,
lorsque les usagers se connectent, quel que soit le lieu, ils
peuvent retrouver immédiatement leur poste de travail,
dossiers, documents, courriels... De la même façon, on peut
préciser que l’infonuagique est aussi centrée sur la tâche à
accomplir. L’utilisateur ne se préoccupe ainsi plus des types
d’applications à utiliser, mais bien de la tâche à réaliser
(Delort 2015).
En conclusion, la technologie occupe une place centrale dans
le développement et la transformation des organisations. Les
relations entre les deux (technologie/organisation) ont d’ail-
leurs fait l’objet de nombreux travaux (Markus 1988 ; Orli-
kowski 1992 ; Orlikowski 2000 ; Kefi 2004). Cette approche
qualifiée d’ailleurs de « déterminisme technologique » repose
sur de nombreuses disciplines telles que la sociologie, l’éco-
nomie et la gestion. L’hétérogénéité de ces approches per-
met, selon MacKenzie (1999), d’extraire plusieurs
caractéristiques. Notamment, la technologie est considérée
comme un artefact doté d’un ensemble de caractéristiques
matérielles dont le développement est structuré par des lois
scientifiques extérieures à la sphère organisationnelle, mais
dont les effets sont appréhendés en termes d’impacts sur les
usages et l’organisation (MacKenzie 1999).
Transformations organisationnelles
Le paradigme du big data n’est donc pas que technologique.
Il a ainsi imposé à l’entreprise des transformations organi-
sationnelles pour canaliser ce flux incessant de données et
pour en tirer l’information nécessaire à la prise de décision
(Cointot 2014 ; Delort 2015).
1. <gephi.org/>.
48 OCTOBRE – DÉCEMBRE 2017 | DOCUMENTATION ET BIBLIOTHÈQUES
Selon Ferguson, le vrai problème est la conduite du change-
ment dans la mesure où le vrai défi pour les organisations est
d’arriver à faire les changements nécessaires au niveau des
processus et des ressources humaines pour pouvoir mettre
en place les initiatives analytiques que requiert un projet
d’exploitation des données du big data (Ferguson 2013).
Selon une étude du CIGREF : « Le big data est une compo-
sante de la transformation de l’entreprise, il est transversal
et touche tous les métiers. En ce sens, le big data n’est pas
un projet SI : c’est une manière nouvelle de penser et d’ap-
préhender l’information. Il s’agit donc davantage d’une
(r)évolution culturelle et technologique que d’un nouveau
sujet SI. » (CIGREF 2013)
Le phénomène du big data pour les entreprises recouvre
ainsi deux réalités : d’une part cette explosion des données
de façon continue, d’autre part la capacité technologique de
traiter et d’analyser cette grande masse de données pour en
tirer un profit (CIGREF 2013). Grâce au big data, les entre-
prises peuvent désormais gérer et traiter des données mas-
sives pour en extraire de la valeur, décider et agir en temps
réel (CIGREF 2013). L’enjeu central pour elles est bien
« d’améliorer l’efficacité des prises de décision par l’exploi-
tation d’informations protéiformes » (CIGREF 2013). Elles
deviennent ainsi plus réactives et plus concurrentielles. De
fait, la capacité à traiter de grandes masses de données, à tis-
ser des liens et corrélations entre des informations hétéro-
gènes et à faire communiquer entre elles des données
structurées ou non, ouvre la voie à des traitements probabi-
listes qui permettent l’amélioration des opérations managé-
riales et la conception de produits et services innovants pour
les clients (CIGREF 2013). Aussi, aujourd’hui, le big data est
corrélé à l’avantage concurrentiel des entreprises et repré-
sente pour elles un atout considérable (CIGREF 2013).
Cette appropriation d’outils, de technologies devenues
incontournables pour conserver un avantage concurrentiel
impose ainsi à l’entreprise de nouvelles exigences en
matière de compétences, d’autonomie et de capacité
d’adaptation des travailleurs dont l’efficience est censée
croître (Benraiss 2005). Cette appropriation d’outils agit sur
l’organisation du travail, impose de nouvelles méthodes, de
nouvelles pratiques et affecte les attitudes et les comporte-
ments (Benraiss 2005).
Ces bouleversements liés à ces nouveaux usages touchent
la structure même de l’entreprise qui se modifie, « s’hori-
zontalise » (Lejeune 2010). La hiérarchie devient ainsi plus
informelle. La communication se fait plus librement, tant
sur le plan horizontal que vertical. L’information circule
plus rapidement et plus efficacement. Le dialogue social se
modifie. L’organisation économique subit également des
modifications. Le changement ne se situe donc plus uni-
quement sur le plan professionnel ou organisationnel. Il se
manifeste dans de nouveaux rapports sociaux et
économiques qui découlent de l’appropriation sociale des les organismes, les relations entre citoyens et gouverne-
technologies (Lejeune 2010). La culture du travail et la rela- ments, et bien plus. (Mayer-Schoenberger et al. 2014)
tion au travail ne sont pas non plus épargnées et subiessent
Le big data n’est pas en soi une discipline dédiée à la pré-
des bouleversements profonds (Lejeune 2010).
diction, mais plutôt à l’analyse brute de grande quantité
Silva a réalisé une étude sur les nouvelles pratiques sociales de données (Cointot 2014). Dans bien des cas, ces analyses
liées à ces technologies dans les grandes entreprises (Silva sont en elles-mêmes suffisantes pour permettre d’en
2009). Il a notamment analysé les changements de valeurs extraire des informations de qualité dont il pourra être fait
à l’origine de transformations sociales (Silva 2009). Selon immédiatement usage (Cointot 2014). Par exemple, en
cet auteur : médecine, des recherches de marqueurs de pathogènes
[…] les TIC favorisent les fragmentations des temporalités, dans les analyses médicales d’un grand nombre de
l’éclatement des espaces et les différenciations de personnes patients peuvent permettre de savoir quelle population
[...]. Les rythmes et lieux de travail ne sont plus partagés exposée à un environnement particulier peut être affectée
par l’ensemble de l’entreprise. Il se développe, de fait, des d’une pathologie particulière. Cette construction de savoir
territorialisations, c’est-à-dire des espaces temps propres à peut ainsi constituer une valeur permettant la mise en
telle équipe ou à tel projet. La cohésion de l’entreprise peut place d’actions spécifiques auprès de cette population
être contestée [...]. Les TIC ont catalysé différents facteurs (Cointot 2014).
d’éclatement des groupes de salariés. En effet, elles favo- L’objectif est ainsi de créer, à partir de ces données quelque
risent la déconstruction des chaînes de responsabilités, chose d’utile, de pertinent permettant d’accroître la connais-
dans la mesure où les messageries, par exemple, peuvent sance (Hyeans 2016).
permettre de contourner certains pro-
cessus hiérarchiques ou techniques, L’objectif, à partir de l’exploitation Pour Le Coadic (2004) : « La connais-
pour favoriser des liens informels qui de ces données massives, est de sance est le résultat de l’acte de
s’étoffent [...]. L’informatisation va connaître, acte par lequel l’esprit
créer quelque chose d’utile, de humain saisit un objet. Connaître, c’est
accompagner et augmenter cet effet de
pertinent et permettant d’accroître être capable de former l’idée de
fragmentation du travail et des rela-
tions sociales dans l’entreprise. (Silva la connaissance pour la prise quelque chose, c’est avoir présent à
2009) de décision et l’action. l’esprit. »

Les TIC modifient de multiples fonctions de l’entreprise :
informations décisionnelles, informations de communica-
tion, de création et de données sociales (Silva 2009 ; Silva
2010). C’est ainsi qu’émerge une nouvelle forme d’organi-
sation du travail, centrée notamment sur les activités colla-
boratives qui constituent une rupture culturelle importante,
notamment lorsqu’elles impliquent des personnes situées
dans des lieux, des situations hiérarchiques et des tempo-
ralités différentes (Silva 2009 ; Silva 2010). Cette forme d’or-
ganisation est non plus seulement fondée sur l’individu,
mais sur la capacité qu’il a de travailler avec d’autres, base
de la valeur et de l’innovation pour les entreprises (Silva
2009 ; Silva 2010).
La multiplication des flux de données impacte donc direc-
tement la performance individuelle des personnes.
Construction de connaissances
Dans leur ouvrage big data, Mayer-Schoenberger & Cukier
introduisent leur livre de cette manière :
Selon cet auteur, « la connaissance
peut aller jusqu’à la compréhension exacte et complète des
objets [...] dans le but de permettre une adaptation à l’envi-
ronnement (naturel et humain) » (Le Coadic 2004).
La connaissance possède quelque chose de supérieur. En
effet, selon Foray (2009), elle donne à son détenteur une
capacité d’action intellectuelle et physique.
Création de valeurs
Outre les quatre composantes décrites précédemment –
volume, variété, vélocité, véracité (Delort 2015), une cin-
quième composante peut également définir le big data : la
création de valeurs (Marr 2015 ; Babinet 2015). En effet, l’un
des aspects notoires des data, c’est que l’on ne connaît pas
nécessairement a priori le trésor qui se cache en son sein.
L’objectif, à partir de l’exploitation de ces données massives,
est de créer quelque chose d’utile, de pertinent et permet-
tant d’accroître la connaissance pour la prise de décision et
l’action (Babinet 2015).

Le phénomène des mégadonnées désigne tout ce qui peut La création de valeurs est un concept suscitant aujourd’hui
être fait à une large échelle et non à une échelle plus réduite, un intérêt croissant dans différents domaines des sciences
afin d’extraire de nouvelles connaissances ou de créer de de gestion : management stratégique, finance d’entreprise,
nouvelles formes de valeur, bouleversant ainsi les marchés, comptabilité, contrôle de gestion, organisation, marketing.

DOCUMENTATION ET BIBLIOTHÈQUES | OCTOBRE – DÉCEMBRE 2017 49

Bourguignon distingue trois acceptions de la valeur : la valeur
au sens de mesure (en particulier dans les disciplines scien-
tifiques que sont les mathématiques et la physique), la valeur
au sens économique et la valeur au sens philosophique
(Bourguignon 1998). Le terme de valeur est synonyme de
celui de richesse. Le thème de la valeur fait ainsi l’objet de
regards multiples ou de paradigmes, c’est-à-dire de visions
communes aux membres d’un groupe donné (Kuhn 1983).
La problématique de la valeur renvoie donc à la question des
destinataires de la valeur créée : pour qui créer de la valeur ?
Dans le cadre de la finance d’entreprise, la valeur est souvent
une valeur financière pour l’actionnaire.
Créer de la valeur en économie, c’est ainsi la faire varier
dans le sens de la hausse. A contrario, détruire de la valeur,
c’est la faire baisser au cours du temps. La création de la
valeur économique est au cœur de l’activité des organisa-
tions et au centre de leur vocation, de leur raison d’être et
de leur stratégie (Savall 2008).
La notion de création de valeurs est elle-même polymorphe,
car elle génère de nombreux indicateurs qui prennent
essentiellement appui sur des bases comptables, boursières
ou économiques. De ce fait, dans l’entreprise, la création de
la valeur s’apprécie au niveau de l’actionnaire (Elidrissi
2010). Une entreprise crée de la valeur si le résultat dégagé
par l’exploitation est supérieur au coût des capitaux inves-
tis. Elle s’apprécie aussi au travers les gains réalisés au-delà
du coût du capital investi.
Un investissement en systèmes d’information (SI) peut
générer trois types de gains pour l’entreprise. Elle peut
générer des gains mesurables en unités monétaires. Elle
peut générer des gains estimables en unités non monétaires
(gain de volume, temps, espace, performance, stratégique,
etc.) (Elidrissi 2010). Elle peut aussi générer des gains peu
tangibles (autonomie de l’utilisateur de l’information, satis-
faction des clients, meilleure collaboration en interne, accu-
mulation de l’expertise technologique, etc.) (Elidrissi 2010).
Dans le cas des organisations publiques, comme dans notre
étude, la création de la valeur ne peut a priori s’estimer
qu’en unités non monétaires et qu’en gains peu tangibles,
notamment qu’en termes de gain stratégique et décision-
nel, car elles n’ont pas vocation à faire de profits.
La performance est aussi très liée au concept de création de
valeurs afin de permettre la prise de décisions managé-
riales, stratégiques idoines et adéquates d’une part, et de
rendre l’organisation concurrentielle. Certains auteurs l’as-
similent à l’efficacité, à la capacité ou à la compétitivité,
d’autres à l’efficience, au rendement, à la productivité, et
d’autres, enfin lui associent des notions telles que la santé,
la réussite, le succès et l’excellence (Little 1973 ; Bourgui-
gnon 1995 ; Tchankam 2000). Par exemple, Little (1973) l’as-
simile comme la mise en œuvre et sa réalisation d’une
action. Tchankam (2000) définit l’entreprise performante
comme celle qui fait mieux que ses concurrents sur le court,
le moyen et le long terme, dans l’idéal d’un ensemble de
paramètres définissant la performance, au minimum sur
ceux jugés être les plus significatifs. Bourguignon (1995)
pense que la définition de la performance est corrélée à
l’appréciation du marché : part de marché, chiffre d’affaires,
nombre de créances douteuses ou de plaintes de la clien-
tèle dues à la qualité des produits.
La contribution originale des pionniers à cette dimension
de la performance réside dans sa relation au concept d’in-
novation, processus managérial consistant à innover, c’est-
à-dire à chercher à améliorer constamment l’existant, un
concept souvent au cœur des préoccupations stratégiques
des entreprises (Drucker 1957).
Méthode
L’analyse du dispositif s’est d’abord effectuée par une obser-
vation non participante au sein du service chargé de l’ex-
ploitation des données du big data sanitaire dans les armées
(Tanti 2010). Dans le cadre de cette approche globale qua-
litative, l’observation non participante a permis, par le fait
que l’observateur n’est pas membre du dispositif et par le
fait qu’il reste en retrait durant les observations, de garder
une part d’objectivité dans les analyses, constituant ainsi un
outil de valeur dans l’analyse de l’objet de recherche.
Cette observation non participante s’est déroulée durant
trois mois en 2014. Elle a ainsi permis une meilleure com-
préhension des acteurs du dispositif, de leurs rôles dans
l’organisation, de leurs modes de travail, de leurs modes de
communications, ainsi que des objets informationnels et
techniques produits et mis en jeu dans l’organisation,
notamment des produits documentaires et des systèmes
d’information développés.
L’étude s’est poursuivie par des entretiens de ces acteurs
rendus possibles par l’analyse des données récoltées anté-
rieurement. Cette enquête, également réalisée en 2014
auprès des acteurs du dispositif (avec un total de six parti-
cipants interrogés), a consisté en des entretiens semi-direc-
tifs, avec grilles. Ces entretiens ont ainsi permis une
connaissance plus précise des interlocuteurs, l’expression
de leurs opinions, des expériences vécues, une meilleure
appréhension des outils de traitements de données, de leurs
modes de partage et de production de la connaissance à
l’échelle individuelle et collective, des valeurs créées et des
modalités de fonctionnement des équipes, des technologies
et de leurs usages, de l’organisation et des collaborations.
Enfin, une analyse du dispositif sous le prisme des concepts
mobilisés dans le cadre théorique de cet article a été effec-
tuée, notamment l’analyse des aspects construction de
connaissances et création de valeur du dispositif.

50 OCTOBRE – DÉCEMBRE 2017 | DOCUMENTATION ET BIBLIOTHÈQUES

Résultats
Technologies d’exploitation des données
massives
Sur le Web, il existe encore plus de données que d’étoiles
dans l’univers. Face à cette croissance exponentielle et afin
d’exploiter ces données pour en retirer l’information sanitaire
utile à la prise de décision, le dispositif utilise des outils de
collecte automatisée et semi-automatisée et des outils d’aide
à l’analyse et de classification/visualisation de données.
Outils de collecte automatisée
ou semi-automatisée
Le dispositif collecte ainsi de manière automatique les don-
nées bibliographiques du big data médical à partir du ser-
vice MyNCBI du logiciel PubMed (Bussières 2003). Ce
service permet l’interrogation de la base de données biblio-
graphique en sciences de la santé Medline (MEDical Lite-
rature Analysis and Retrieval System on LINE) produite par
la National Library of Medicine (NLM) aux É.-U. Il permet
la collecte automatisée de données massives de cette base
à partir d’un profil et d’équations de recherches définies.
Les données sont extraites selon ce profil et sont adressées
automatiquement par courriel à l’organisation soit immé-
diatement dès leur parution, soit selon une périodicité défi-
nie en fonction des thématiques (Eveillard 2012). Par
exemple, l’organisation suit avec attention, via cet outil, les
dernières données de recherches sur les virus Chikungunya,
Ebola et Zika.
Le système collecte également de manière automatique et
en temps réel les données épidémiques à partir du pro-
gramme international de veille épidémiologique sur les
maladies émergentes PromMED-mail (Cowen 2006). Ce
service permet notamment la réception automatique
d’alertes épidémiques dans la boîte aux lettres électronique.
Dans ce cadre, lors des dernières épidémies de grippe A
(H1N1), cet outil a permis un suivi quotidien des données
relatives à l’évolution du nombre de cas à l’échelle
mondiale.
À partir d’Europresse.com2 et de Factiva3 et avec différentes
équations de recherche, le dispositif collecte automatique-
ment les données sanitaires et épidémiques issues de plus
80 médias français nationaux et internationaux. Par exemple,
il extrait les données des médias français LeMonde.fr ou
Lefigaro.fr et des médias internationaux comme elwatan.
com, theguardian.com ou nytimes.com. À titre d’exemple, le
dispositif a pu effectuer un suivi des rumeurs épidémiques
sur ces médias lors de les dernières épidémies d’Ebola
(2014-2015) et de Zika (2016). Une extraction des données
2. <www.europresse.com/fr>.
3. <www.dowjones.com/products/factiva>.
DOCUMENTATION ET BIBLIOTHÈQUES | OCTOBRE – DÉCEMBRE 2017
informelles et de la rumeur est également effectuée à partir
du Web social, notamment de Twitter4 et des forums de dis-
cussions comme Doctissimo.fr5.
Grâce au moteur de recherche Pickanews6 et via le moteur
de recherche d’Europresse, l’organisation effectue un suivi
quantitatif en rapport avec ses mots-clés d’intérêts
(Chikungunya, Ebola, Zika…) sur les différents médias et sur
Twitter.
Le dispositif utilise également des outils d’alertes7 pour sur-
veiller les données sanitaires en rapport avec les théma-
tiques d’intérêts sur le Web.
Outils d’aide à l’analyse, de visualisation
et de classification des données
Le dispositif fait usage d’un certain nombre d’outils d’aide
à l’analyse permettant une visualisation des contenus et la
classification de données.
Ainsi, le moteur de recherche Pickanews, au-delà de per-
mettre un suivi quantitatif de l’évolution des données d’in-
térêts pour la veille sur les médias et Twitter, permet aussi
de rassembler ces données, de les classer et de les analyser
par type de presse, médias ou date. Ce moteur permet de
surveiller les mots-clés définis et d’accéder aux articles
identifiés.
Le logiciel bluenod8 permet une analyse des influenceurs
et de leurs réseaux sur Twitter. Il permet en particulier de
gérer directement les listes de ce réseau social, d’exporter
des données et de cibler les communautés liées aux sujets.
Enfin, cet outil construit des représentations cartogra-
phiques de l’information et classe les données. Il a permis
par exemple de déterminer quels étaient les protagonistes
intervenant dans le champ de l’épidémie d’Ebola 2014-2015
et l’évolution de leurs discours. Le logiciel MapDTweetmap9
est également utilisé dans le dispositif pour géolocaliser sur
Twitter les échanges de tweets et déterminer les meilleurs
hashtags.
L’outil Gephi10, dont nous avons parlé plus haut, permet la
visualisation et la cartographie de données sur Twitter, et
l’analyse de réseaux, notamment de l’activité en réaction à
des événements. Par exemple, dans le cadre de l’épidémie
d’Ebola 2014-2015, il a permis un suivi des réseaux constitués
en réaction aux pics épidémiques et l’importation de cas.
4. <twitter.com>.
5. <www.doctissimo.fr>.
6. <www.pickanews.com>.
7. Google Alertes : <www.google.fr/alerts>.
8. <bluenod.com>.
9. <www.mapd.com/demos/tweetmap/>.
10. <gephi.org/>.
51
Enfin, l’outil AISummarizer11 est un outil d’analyse linguis-
tique utilisé dans le dispositif pour faire des résumés mul-
tilingues concis de pages Web et de documents. Dans ce
cadre, il trouve son intérêt dans l’aide à l’analyse de données
épidémiques de l’OMS ou de Santé publique France.
Outils de diffusion et de communication
des données
Les données collectées, classées et synthétisées sont finale-
ment mises en forme et diffusées en temps réel ou quasi réel
sur une plateforme intranet sécurisée, dans un espace de
travail collaboratif avec un Environnement Numérique de
Travail (ENT) dédié au dispositif (Boutin 2004 ; Tanti 2010).
Il faut noter les capacités conséquentes de stockage sur des
serveurs sécurisés pour le traitement de ces données mas-
sives, ainsi que des ressources processeurs élevées.
Les données captées sont diffusées dans cette plateforme
principalement sous forme hypertextuelle, permettant de
naviguer d’une unité d’information à une autre. La naviga-
tion peut aussi se faire via un moteur de recherche (Tanti
2010). Il existe différents profils d’utilisateurs, principale-
ment des décideurs du Service de santé des armées (SSA)
11. <aisummarizer.com/summarizer/index.jsp ?ui.lang=fr>.
FIGURE 1
Page d’accueil du SI BEDOUIN
52 OCTOBRE – DÉCEMBRE 2017 | DOCUMENTATION ET BIBLIOTHÈQUES
et de l’État-major des armées (EMA), des experts militaires
en santé et des médecins d’unités. Trois systèmes d’infor-
mation (SI) hébergés sur cette plateforme ont ainsi été
développés pour répondre aux besoins informationnels de
ces différents usagers.
Le premier SI a été dénommé BEDOUIN, pour Banque Épi-
démiologique de Données sur l’OUtre-mer et la zone
INter-tropicale (Figure 1). Il diffuse les données filtrées et ana-
lysées sur les risques sanitaires pour les forces hors de France
issues du big data. Le contenu est architecturé par pays.
Le deuxième SI s’appelle REDUVES pour base de données
en REcherches et Développements de l’Unité de VEille
Sanitaire (Figure 2). Il diffuse les données scientifiques du
big data sur les agents du risque biologique (en matière de
nouveaux traitements, diagnostics…). Dans ce cadre, les
contenus captés et filtrés sont architecturés par risques et
par agents.
Le dernier SI s’appelle INTRACESPA, pour Intranet du
CESPA (Figure 3). Il diffuse différentes données internes au
SSA, principalement relatives aux investigations d’épidé-
mies et aux programmes militaires de santé publique. Les
données sont consultables par auteur de publication,
thème, en mode multicritère, en recherche simple/avancée
et par navigation arborescente.
FIGURE 2
Page d’accueil du SI REDUVES

FIGURE 3
Page d’accueil du SI intraCespa

DOCUMENTATION ET BIBLIOTHÈQUES | OCTOBRE – DÉCEMBRE 2017 53

Dans cette plateforme intranet, outre les SI diffusant et stoc- collectif est devenu plus efficace. L’acteur de l’exploitation
kant les données, les usagers peuvent communiquer entre des données à son échelle a ainsi pu percevoir de manière
eux, partager les informations, les commenter, se les réap- plus fine son utilité à l’échelle collective.
proprier via des outils de travail collaboratif et un Environ-
Les outils, par leur mutualisation et leur réappropriation
nement Numérique de Travail (ENT). La communication
collective, ont également permis l’extraction de données
dans cet ENT se fait de manière asynchrone par messagerie
« cachées » menant à une amélioration de la créativité, de
électronique Outlook, qui tend à devenir un moyen de com-
l’innovation, de l’activité intellectuelle, de l’intérêt au travail
munication instantanée. À cette messagerie, un annuaire
et de ses conditions d’exercice, raison d’être du travail
des experts, un agenda électronique et un gestionnaire de
humain. Une transformation organisationnelle en a été
communautés de « projets » sont associés pour permettre
induite, notamment en gain d’efficacité, de créativité, d’in-
une réappropriation et un partage collectif des données et
novation, de productivité et de compétences individuelles
la création d’intelligence, de nouvelles connaissances et de
et collectives.
la valeur.
Dans les transformations, il est important de noter que les
outils de collecte et d’aide à l’analyse soutiennent les acteurs
Transformations organisationnelles
de l’exploitation et le dispositif face à un flux de mégadon-
Les entretiens avec les acteurs du dispositif ont révélé que nées de qualité variable, mais de quantité pléthorique. Ils
les technologies de collecte, d’aide à l’analyse et de diffu- permettent au dispositif, comme nous l’avons dit, un gain
sion/communication des données utilisées dans l’exploita- de temps dans la collecte, la sélection, la classification, la
tion du big data sanitaire ont induit des transformations mise en forme, la visualisation des données. Mais ils ne
dans l’organisation étudiée. remplacent pas l’analyse humaine et l’expertise qui
demeurent indispensables ! Dans ce dispositif, il existe un
Transformations induites des outils de collecte réseau d’experts (médecins, scientifiques, vétérinaires…)
et d’analyse qui exploite, interprète de manière intellectuelle la masse
Les outils de collecte automatisée, de classification de don- de données collectées. Malgré l’intérêt de l’ensemble des
nées et d’aide à l’analyse ont permis à l’organisation un gain technologies, seul l’humain a la capacité de recouper les
considérable de temps dans la gestion et la réalisation des données collectées et de vérifier les erreurs de doublon-
tâches pour atteindre les objectifs définis. Les outils se sont nage. Seul l’humain a la faculté de repérer dans les discours
ainsi mis au service des humains. ce qui se fait au-delà ce qui se dit (Lupton 1992) et d’appor-
ter une expertise sur les échanges concernant les probléma-
Un questionnement sur l’impact des usages des outils de
tiques questionnées. Seul l’humain a le pouvoir d’effectuer
collecte a été mené, notamment pour déterminer les nou-
une sélection et une validation des contenus, en fonction
veaux échanges et les nouvelles sociabilités induites. Il en
des événements traités, et par comparaison aux événements
ressort que les abonnements aux listes
antérieurs et connus. Seul l’humain
de diffusion professionnelles (Prom- [Les outils de collecte et d’aide à peut analyser le caractère novateur
MED-mail, MyNCBI) ont généré de
l’analyse] permettent au dispositif d’un contenu, son intérêt, sa crédibi-
nouvelles formes de sociabilités dans
[…] un gain de temps dans la lité, sa fiabilité, en accord avec une
la mission de veille sanitaire de défense
question déterminée au préalable par
en créant de nouvelles communautés collecte, la sélection, la classifi-
l’autorité de tutelle ou dans une
professionnelles virtuelles au service cation, la mise en forme, la approche inductive, en cherchant à
du partage et de la gestion de la même visualisation des données. Mais contester les objets. Enfin, c’est le seul
connaissance (Soulier 2004). De nou-
ils ne remplacent pas l’analyse à pouvoir synthétiser et interpréter les
velles activités cognitives ont été envi-
humaine et l’expertise qui données collectées en fonction de son
sagées : la création, l’échange
expérience, selon les objectifs définis,
coopératif volontaire et la réutilisation demeurent indispensables!
à les mettre en forme et à les transfor-
des connaissances entre les profes-
mer en véritable information utile pour
sionnels du réseau (Lefebvre 2004). La communauté de pra-
l’usager du dispositif (Leray 2008).
tiques qui est née a fait émerger une nouvelle unité de
coordination qui a permis un traitement plus efficace des
Transformations induites des outils de diffusion
connaissances au profit de la mission de veille (Michaux
et de communication
2004).
Les outils de diffusion et de communication des données
La mutualisation de ces outils et cette réappropriation col- déployés sur les plateformes permettent des échanges de
lective des données ont ainsi permis de renforcer le « cowor- données en temps quasi réel entre les acteurs de
king » et le travail collaboratif. Le travail individuel et donc

54 OCTOBRE – DÉCEMBRE 2017 | DOCUMENTATION ET BIBLIOTHÈQUES

l’exploitation du big data et leurs usagers. Cela permet éga-
lement une réappropriation collective des données entre les
différents étages de l’organisation et un décloisonnement
spatial, pour créer une intelligence collective. Les données
permettent elles-mêmes de soutenir la communication
dans l’organisation, car elles sont réappropriées collective-
ment pour créer de la valeur stratégique.
L’Environnement Numérique de Travail (ENT), de stockage
de données sur l’intranet et la messagerie Outlook ont favo-
risé, dans l’organisation, en tant que technologie cognitive,
l’émergence d’une culture numérique. De par leur efficacité
technique, elles ont valorisé culturellement la pratique de
la messagerie électronique et de l’ENT par l’organisation.
Elles ont défini, en tant que dispositif matériel, de nouvelles
formes d’expression fondées sur le réseau. À travers cette
manière spécifique d’agir et de penser en réseau, elles ont
instauré un nouveau rapport au savoir et à la connaissance.
Elles ont valorisé une communication rapide moins for-
melle et ont promu les échanges immédiats, s’apparentant
à de la communication synchrone.
La mise en place de la plateforme intranet qui héberge les
différents SI a facilité l’accès aux flux d’informations, a accé-
léré l’acheminement des données, a créé de nouvelles
formes de partage de la connaissance et a promu le know-
ledge management. Cette plateforme à guichet unique a
modifié les relations sociales, la communication et les
échanges entre les différents acteurs de l’organisation. L’au-
tonomie des usagers en a été renforcée et les structures ont
été décloisonnées. Des relations nouvelles en réseau entre
les acteurs de l’exploitation et les utilisateurs ont été déve-
loppées et redistribuées avec un effet très structurant sur
l’organisation et la coordination des décisions. Le travail est
devenu de plus en plus coopératif ou « collaboratif » entre
tous les acteurs, entraînant notamment des effets « feed-
back ». Cette ouverture a représenté un facteur important
de création de valeur ajoutée à tous les échelons et un phé-
nomène qui a transformé le cadre spatiotemporel de l’acti-
vité de veille. Les notions traditionnelles de localisation, de
distance et de territoire ont été modifiées. Les différentes
équipes et services répartis en des lieux différents du terri-
toire peuvent ainsi consulter les données collectées, clas-
sées et synthétisées sans contrainte de distance. Le temps
et les coûts des recherches documentaires pour l’ensemble
des acteurs de l’organisation en ont été réduits.
En conclusion, ces transformations organisationnelles ont
elles-mêmes constitué un enjeu managérial, dans la mesure
où elles ont été portées par l’équipe de cadres militaires,
dans un contexte global de conduite du changement.
Construction de connaissances
Ces mégadonnées « filtrées », hiérarchisées, « clustérisées »,
purgées de l’infobésité et mises à disposition des usagers,
DOCUMENTATION ET BIBLIOTHÈQUES | OCTOBRE – DÉCEMBRE 2017
sous la forme de cette plateforme intranet dédiée, a permis
des corrélations inédites de données et la construction de
nouvelles connaissances.
Un certain nombre d’exemples de construction de savoirs
ont ainsi été donnés en entretiens.
Par exemple, en 2014-2015, lors de l’épidémie d’Ebola, l’ex-
ploitation des données de PromMED-mail a permis le suivi
de la dynamique épidémique en temps quasi réel. Cet outil
de collecte automatisée a ainsi permis de révéler plus rapi-
dement l’émergence et l’expansion de la maladie que les
méthodes de collectes traditionnelles sur le terrain. La dif-
fusion des données filtrées, débarrassées du « bruit informa-
tionnel » et classées, sur la plateforme Web, a permis aux
usagers décideurs de l’EMA un suivi épidémique en quasi
instantané, l’anticipation d’éventuelles menaces pour les
forces et la mise en œuvre de contre-mesures médicales
rapides. De plus, dans ce cadre, l’exploitation des données
de génomique et de protéomique de PubMed sur la maladie
d’Ebola a permis pour les usagers du système d’ouvrir la voie
vers la construction de nouveaux savoirs médicaux et d’ex-
plorer des innovations pharmaceutiques, notamment vac-
cinales et thérapeutiques. Il a permis par exemple de
détecter les essais vaccinaux en cours au profit de la popu-
lation militaire. Le croisement de ces différentes données a
ainsi conduit à des corrélations inédites qui ont permis à
l’étage décisionnel de développer des modélisations dans
une optique d’aide à la décision. Des connaissances ont ainsi
été construites et ont permis d’estimer les paramètres fon-
damentaux de la transmission de la maladie et d’évaluer a
priori l’impact des stratégies de contrôle et d’interventions
militaires, en y intégrant les aspects médico-économiques.
Création de valeurs
Dans cette étude, la valeur créée est principalement d’ordre
stratégique. C’est-à-dire une valeur qui contribue à dimi-
nuer l’incertitude du décideur militaire, du médecin mili-
taire de terrain, dans le choix de ses décisions notamment
en situation d’urgence sur le théâtre ou avant déploiement
ou encore en cas de crises sanitaires. Cette création de
valeur permet d’anticiper sur les décisions militaires et pré-
venir les risques pour le soldat, notamment les risques sani-
taires en opération extérieure. Elle permet aussi une
meilleure orientation de l’action publique.
Dans notre étude, la valeur stratégique est une valeur plus
vaste que la valeur économique ou financière, puisqu’elle
intègre aussi des aspects médicaux, réglementaires et déci-
sionnels. La création de la valeur demeure au centre des
préoccupations des organisations militaires. Nous la défi-
nissons comme l’augmentation de la valeur stratégique
pour le décideur militaire en santé. C’est celle qui va procu-
rer des avantages pour anticiper sur les décisions militaires,
pour prévenir les risques pour le soldat, notamment les
55
risques sanitaires, les risques épidémiques qui ont par défi-
nition un impact sur les opérations militaires.
Un certain nombre d’exemples de création de valeur ont été
donnés en entretiens.
Par exemple en 2005, des forces maritimes françaises sont
envoyées en Asie du Sud-Est en soutien humanitaire après
le tsunami. Un certain nombre d’épidémies touche la
région, notamment une épidémie d’une maladie peu
connue à l’époque, l’encéphalite japonaise, qui fait énormé-
ment de décès dans le territoire. Il y a beaucoup d’incerti-
tudes sur cette maladie, notamment son risque de
transmission aux militaires déployés. L’ensemble des don-
nées collectées, notamment à partir de ProMED-mail et de
MyNCBI, ont permis de révéler des corrélations inédites.
Des données à forte valeur ajoutée mettant en évidence une
létalité de 5 à 40 %, pouvant atteindre les 60 %, ont ainsi pu
être détectées. Des informations ont également souligné
que dans les formes graves, l’infection pouvait entraîner des
séquelles neurologiques sévères à des fréquences non négli-
geables. Il a également été décelé, dans cette masse d’infor-
mations, l’existence d’un vaccin efficace. L’ensemble de ces
données visualisées par l’étage décisionnel dans la plate-
forme dédiée ont été réappropriées collectivement et par-
tagées. Elles ont conduit à une décision stratégique
importante : l’achat de doses vaccinales au laboratoire le
fabriquant et l’administration à titre préventif aux forces
militaires dans la zone pour prévenir tout risque pour la
santé.
Nous pouvons également reprendre l’exemple précédent de
l’épidémie d’Ebola 2014-2015 pour illustrer notre propos.
Dès l’émergence des premiers cas, l’exploitation des don-
nées massives collectées, analysées, filtrées et diffusées
dans le dispositif a permis aux déci-
deurs militaires et aux experts du Ser- L’identification précoce de ces
vice de santé des armées (SSA) de
innovations a ainsi permis de
suivre en temps quasi réel la dyna-
mique épidémique de la maladie. Ces créer de la valeur en anticipant et priation des technologies a entraîné
données ont été partagées dans la prévenant les risques pour les
plateforme par les usagers et ont été personnels militaires déployés
réappropriées collectivement. Elles ont dans le centre.
permis aux utilisateurs d’avoir une
connaissance permanente et fine de la menace liée à cette
maladie, en particulier de mortalité élevée, d’absence de
traitements et de vaccins.
Cette connaissance a été particulièrement prégnante stra-
tégiquement, lorsque pour faire face à cette épidémie d’am-
pleur sans précédent, un centre de traitement dédié
exclusivement au personnel des soignants d’Ebola (CTS) est
créé en Guinée en 2015. En effet, dans ce contexte, des
experts militaires français ont été envoyés dans ce centre
pour apporter leur soutien. Les données du dispositif ont
été partagées par ces experts avant le départ et pendant
toute la durée du déploiement. Par des corrélations inédites
et le croisement de données venant notamment du terrain,
de nouveaux savoirs ont été construits. Ces savoirs ont par-
ticulièrement été réutilisés dans le cadre de communautés
et de groupes de travail « Ebola ». Ainsi, les experts ont pu
détecter des innovations thérapeutiques et vaccinales qui
ont fait l’objet d’un traitement et d’un partage particulier
étant donné les impacts en termes de mortalité et l’absence
de moyens de prévention. L’identification précoce de ces
innovations a ainsi permis de créer de la valeur en antici-
pant et prévenant les risques pour les personnels militaires
déployés dans le centre. Par le partage de ces savoirs, la per-
formance dans la prise de décisions en a été améliorée et a
ainsi permis de préserver l’état de santé des militaires pro-
jetés dans les zones à risque.
Conclusions
L’exploitation des données sanitaires du big data via des
technologies de collecte, de visualisation et de communi-
cation a permis au SSA la création de valeurs, en particulier
stratégiques. Par exemple, cette exploitation a permis, après
le tsunami en Asie du Sud-Est en 2004, d’anticiper sur les
épidémies pouvant touchant les forces envoyées en soutien
humanitaire. Plus récemment encore, dans le cadre de l’épi-
démie d’Ebola 2014 en Afrique, des vies humaines ont pu
être préservées. Même si le dispositif d’exploitation des
données sanitaires du big data décrit dans cet article a été
développé dans une organisation publique qui ne fait pas
de profits financiers, il serait intéressant d’évaluer, de
manière quantitative et économique, la performance sur les
plans coût/efficacité, productivité et rentabilité liée à cette
exploitation. Cela nous amènerait également à réfléchir à
ce qu’est la performance dans les orga-
nisations publiques, notamment celles
du secteur de la santé publique. Enfin,
il a été mis en évidence que l’appro-
des bouleversements de la culture
organisationnelle du service en matière
de décloisonnement spatio-temporel
des activités, de partage des connais-
sances et de coordination du travail. Cependant, les tech-
nologies n’ont pas remplacé le traitement humain. On peut
même s’interroger si l’outil remplacera un jour l’homme
dans l’analyse et l’interprétation des données. Enfin, le big
data est aujourd’hui une innovation en matière de modèle
économique et social. Mais, s’agit-il tout simplement d’une
évolution de la performance des outils existants ou bien
d’un simple effet de mode ? Des questions qui restent
ouvertes et qui méritent d’être débattues.

56 OCTOBRE – DÉCEMBRE 2017 | DOCUMENTATION ET BIBLIOTHÈQUES

SOURCES CONSULTÉES
Alles, Michael & Miklos A Vasarhelyi. 2014. Thick data : Adding context
to big data to enhance auditability. International Journal of Audi-
ting Technology 2 (2) : 95-108.
Babinet, Gilles. 2015. Big data, penser l’homme et le monde autrement.
Paris : Le Passeur Éditeur.
Benraiss, Laila et al. 2005. TIC et performance des salariés : quel rôle
pour la responsabilité sociale de l’entreprise ? Revue internationale
sur le travail et la société 3(2) : 915-933.
Béranger, Jérôme. 2016. La valeur éthique des big data en santé. Les
Cahiers du numérique 12 : 109-132.
Boullier, Dominique. 2016. Sociologie du numérique. Paris : Edition
Armand Colin.
Bourguignon, Annick. 1995. La performance, essais de définition.
Revue Française de Comptabilité 26 : 61-66.
Bourguignon, Annick. 1998. Management Accounting and Value Crea-
tion : Value Yes but what Value ? Working Paper. Paris : ESSEC.
Boutin, Jean-Paul et al. 2004. Pour une veille sanitaire de défense.
Medecine et Armées 32 (4) : 66-372.
Brasseur, Christophe. 2013. Enjeux et usages du big data : technologies,
méthodes et mise en œuvre. Éditions Hermès.
Bussières, Jean-François et al. 2003. Utilisation pratique et efficace de
PubMed. Québec pharmacie 50 (1) : 20-22.
Chen, Min et al. 2014. Big data : A survey. Mobile Networks and Appli-
cations 19 (2) : 171-209.
Cigref. 2013. Big data : la vision des entreprises : opportunités et enjeux.
Rapport d’octobre 2013.
Cohen, Corine. 2013. Business intelligence : The effectiveness of strategic
intelligence and its impact on the performance of organizations.
Hoboken, NJ : Wiley-ISTE.
Cointot, Jean-Charles & Yves Eychenne. 2014. La Révolution Big data :
les données au cœur de la transformation de l’entreprise. Paris : Edi-
tion Dunod.
Couzinet, Viviane. 2011. Les dispositifs : question documentaire. In
Approche de l’information-documentation : concepts fondateurs
sous la direction de Cécile Gardiès, Caroline Courbières, Viviane
Couzinet et al. Toulouse : Cépaduès, 120-121.
Cowen, Peter et al. 2006. Évaluation of ProMED-mail as an electronic
early warning system for emerging animal diseases : 1996 to 2004.
Journal of the American Veterinary Medical Association 229 (7) :
1090-1099.
Delort, Pierre. 2015. Le big data. Paris : Presses Universitaires de France.
Drucker, Peter. 1957. La pratique de la direction des entreprises. Paris :
Les Éditions d’Organisation.
Elidrissi, Djamila & Ali Elidrissi. 2010. Contribution des systèmes d’in-
formation à la performance des organisations : le cas des banques.
La Revue des Sciences de Gestion 241 : 55 à 61.
Eveillard, Philippe. 2012. PubMed en 10 leçons. La Revue du Praticien
62 : 1428.
Ferguson, Renée. 2013. Big data and Big Change Management : A Path
Forward. MIT Soan Management Review.
Foray, Dominique. 2009. L’économie de la connaissance. Paris : La
Découverte.
Hamel, Marie-Pierre & David Marguerit. 2013. Quelles possibilités
offertes par l’analyse des big data pour améliorer les téléservices
publics ? Revue française d’administration publique 146 (2) : 437-
448.
DOCUMENTATION ET BIBLIOTHÈQUES | OCTOBRE – DÉCEMBRE 2017
Hoppe, Magnus. 2015. Intelligence as a discipline, not just as a prac-
tice. Journal of Intelligence Studies in Business 5 (3) : 47-56.
Hyeans, Andy. 2016. Sport Data Revolution : l’analyse des données au
service de la performance sportive. Paris : Edition Dunod.
Karoui, Myriam, Grégoire Devauchelle & Aurélie Dudezert. 2014. Big
data : mise en perspective et enjeux pour les entreprises. Ingénierie
des systèmes d’information 19 (3) : 73-92.
Kefi, Hajer & Michel Kalika. 2004. Évaluation des systèmes d’informa-
tion : une perspective organisationnelle. Paris : Economica.
Kuhn, Thomas. 1983. La structure des révolutions scientifiques. Paris :
Flammarion.
Le Coadic, Yves-François. 2004. La science de l’information. Paris :
Presses Universitaires de France.
Lefebvre, Philippe et al. 2004. Les théories des Communautés de Pra-
tique à l’épreuve : conditions d’émergence et organisation des com-
munautés. Systèmes d’Information et management 9 (1) : 25-48.
Lejeune, Yannick. 2010. TIC 2025 les grandes mutations. Comment
Internet et les technologies de l’information et de la communication
vont dessiner les prochaines années. Paris : FYP Éditions.
Leray, Christian & Lise Chartier. 2008. L’Analyse de contenu : de la théo-
rie à la pratique, la méthode Morin-Chartier. Québec : Presses de
l’Université du Québec.
Little, William et al. 1973. The Shorter Oxford English Dictionary.
Oxford, England : Oxford University Press.
Lupton, Deborah. 1992. Discourse analysis : A new methodology for
understanding the ideologies of health and illness. Australian Jour-
nal of Public Health 16 (2) :145-150.
MacKenzie, Donald & Jude Wajcman. 1999. The social Shaping of Tech-
nology. Second edition. Buckingham, UK : Open University Press.
Markus M-Lynne & Daniel Robey. 1988. Information technology and
organizational change : Causal structure in theory and research.
Management Science 583-598.
Marr, Bernard. 2015. Big data : Using SMART Big Data, Analytics and
Metrics to Make Better Decisions and Improve Performance. USA :
John Wiley & Sons Ed.
Mayer-Schönberger, Viktor, Kenneth Cukier et al. 2014. Big data : la
révolution des données est en marche. Paris : Robert Laffont.
Michaux, Valéry & Frantz Rowe. 2004. Complémentarité entre système
d’information informatisé, communauté de pratiques et vigilance
dans la haute fiabilité : le cas d’une compagnie d’assistance. Sys-
tèmes d’Information et management 9 (1) : 49-79.
Orlikowski, Wanda. 1992. The duality of technology : Rethinking the
concept of technology and organizations. Organization Science 3 :
397-427.
Orlikowski, Wanda. 2000. Using technology and constituting struc-
tures : A practice lens for studying technology in organizations.
Organization Science 4 : 404-428.
Parks, Malcolm R. 2014. Big data in communication research : Its
contents and discontents. Journal of Communication 64 : 355-360.
Pouyllau, Stéphane. 2013. Web de données, big data, open data, quels
rôles pour les documentalistes. Documentaliste - Sciences de l’In-
formation 50 : 32-33.
Raghupathi, Wullianallur & Viju Raghupathi. 2014. Big data analytics
in healthcare : Promise and potential. Health Information Science
and Systems 2 : 3.
57
Savall, Henri et al. 2008. Mastering Hidden Costs and Socio-Economic
Performance. Charlotte, USA : Information Age Publishing.
Silva, François & Stéphane Hugon. 2009. Émergence des nouveaux
usages liés à l’introduction des nouveaux outils dans les grandes
entreprises. Rapport CIGREF – ORSE.
Silva, François & Anis Ben Ali. 2010. Émergence du travail collaboratif :
nouvelles formes d’organisation du travail. Management & Avenir
36 (6) : 340-365.
Soulier, Eddy. 2004. Les communautés de pratique au cœur de l’orga-
nisation réelle des entreprises. Systèmes d’information et manage-
ment 9 (1) : 3-24.
58 OCTOBRE – DÉCEMBRE 2017 | DOCUMENTATION ET BIBLIOTHÈQUES
Tanti, Marc et al. 2010. Computerized support of decision-making in
medical intelligence. In Information systems and economic intelli-
gence sous la direction de Malek Ghenima, Kamel Smaili & Sahbi
Sidhom S. Tunis : IHE Edition, 57-65.
Tchankam, Jean-Paul. 2000. Performance comparée des entreprises
publiques et privées : une étude empirique dans un PVD. Cahier de
recherche, LAREMA.
Vayre, Jean-Sébastien. 2014. Manipuler les données. Documenter le
marché. Les implications organisationnelles du mouvement big
data. Les Cahiers du Numérique 10 (1) : 95-125.
Weinstein, Marvin et al. 2013. Analyzing big data with Dynamic Quan-
tum Clustering. SLAC National Accelerator Laboratory.